放射学的应用,以区分肺部神经内分泌新生体
Aleksandr Borisov1,2, David Karelidze3, Mikhail Ivannikov4
1Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, 127051 Moscow, Russia.
Diagnostics (Basel, Switzerland)
|April 12, 2025
概括
使用计算机断层扫描 (CT) 进行放射学分析,可以准确地区分肺部神经内分泌瘤 (NEN) 与非小细胞肺癌 (NSCLC). 这种定量成像方法在非侵入性肺癌诊断和亚型化方面表现有前途.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 肺部神经内分泌瘤 (NEN) 和非小细胞肺癌 (NSCLC) 需要精确的分化才能获得最佳的治疗.
- 传统的计算机断层扫描 (CT) 成像在区分这些肺癌亚型方面存在局限性.
- 放射学从医学图像中提取定量特征,为提高诊断准确性提供了一种新方法.
研究的目的:
- 评估基于放射学的机器学习模型在区分肺 NEN 与 NSCLC 的有效性.
- 评估放射学在分类不同类型的NEN中的能力.
- 探索放射学作为肺癌的非侵入性诊断工具的潜力.
主要方法:
- 一项回顾性多中心研究,涉及301名经组织学确认的肺癌患者 (150名NSCLC,151名NEN).
- 在手动瘤细分后从本地CT扫描中提取107个放射性特征.
- 使用缩小维度和特征选择技术开发和评估决策树和随机森林分类器.
主要成果:
- 区分NEN和NSCLC的模型在接收器操作特征曲线 (AUC) 下获得了高面积,准确度为0.988和97.8%.
- 一个独立的模型将小细胞肺癌 (SCLC) 与其他NEN区分开来,其AUC值为0.860,准确度为82.6%.
- 第一阶段和纹理放射学特征被确定为瘤类型之间的显著歧视因素.
结论:
- 基于放射学的机器学习模型在区分肺NEN和NSCLC方面表现出高的诊断性能.
- 这些模型还在NENs的分类方面表现出有效性.
- 放射学为肺癌诊断提供了一个有前途的非侵入性定量方法,值得进一步验证.
